Self-Reflected Well-Being via a Smartphone App in Clinical Medical Students: Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: Well-being in medical students has become an area of concern, with a number of studies reporting high rates of clinical depression, anxiety, burnout, and suicidal ideation in this population. OBJECTIVE: The aim of this study was to increase awareness of well-being in medical students by using a smartphone app. The primary objective of this study was to determine the validity and feasibility of the Particip8 app for student self-reflected well-being data collection. METHODS: Undergraduate medical students of the Dunedin School of Medicine were recruited into the study. They were asked to self-reflect daily on their well-being and to note what experiences they had encountered during that day. Qualitative data were also collected both before and after the study in the form of focus groups and "free-text" email surveys. All participants consented for the data collected to be anonymously reported to the medical faculty. RESULTS: A total of 29 participants (69%, 20/29 female; 31%, 9/29 male; aged 21-30 years) were enrolled, with overall median compliance of 71% at the study day level. The self-reflected well-being scores were associated with both positive and negative experiences described by the participants, with most negative experiences associated with around 20% lower well-being scores for that day; the largest effect being "receiving feedback that was not constructive or helpful," and the most positive experiences associated with around 20% higher scores for that day. CONCLUSIONS: The study of daily data collection via the Particip8 app was found to be feasible, and the self-reflected well-being scores showed validity against participant's reflections of experiences during that day.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».